Motor de Probabilidade com IA
Consenso bayesiano de 3 modelos: IA + Heurístico + Microestrutura
O motor de probabilidade com IA da Predite é o cérebro por trás do scanner. Ele estima as probabilidades reais dos eventos para contratos de mercados de previsão, que então são comparadas aos preços de mercado para identificar edge. Este documento explica como ele funciona, no que ele é bom e no que não é.
A Abordagem de Consenso entre 3 Modelos
Não dependemos de um único modelo de IA. Em vez disso, três métodos de estimativa independentes são executados e suas saídas são ponderadas em uma probabilidade final:
Modelo 1: Análise por LLM (peso de 50%) Um modelo de linguagem grande (hoje o Claude) recebe o mercado e devolve uma probabilidade. O que entra no prompt:
- •A pergunta do mercado e a descrição dele
- •A categoria
- •O preço atual do YES, o volume e a liquidez
- •Dias até a resolução
É esse o insumo inteiro. Nenhuma notícia, pesquisa ou feed externo é buscado ou anexado — o modelo raciocina a partir da pergunta e dos próprios números do mercado, mais o que ele já sabe. Trate como uma segunda opinião bem informada sobre a redação e o preço, não como algo que leu as manchetes de hoje.
Este modelo só roda quando há chave de LLM configurada. Quando não há, ele é pulado e os outros dois são repesados para 60/40 — vale saber, porque muda o que o número significa.
Saída: estimativa de probabilidade com raciocínio estruturado.
Modelo 2: Motor Heurístico (peso de 30%, 60% sem LLM) Um sistema de regras sem acesso a histórico de preço. Ele lê quatro coisas do retrato atual:
- •Faixa de liquidez — livros mais rasos têm mais chance de estar desalinhados
- •Razão volume ÷ liquidez — muito giro sobre um livro raso sugere fluxo informado
- •Tempo até a resolução — quanto mais distante, mais espaço a estimativa recebe
- •Correção de favorite-longshot — mercados tendem a sobreprecificar azarões e subprecificar favoritos claros
Só o último desses tem direção. Os três primeiros definem *o quanto* a estimativa pode andar; o termo de favorite-longshot decide *para que lado*. Num mercado precificado entre mais ou menos 30% e 70%, onde esse viés não se aplica, este modelo devolve o preço de mercado e não contribui com edge nenhum — de propósito, porque nenhum dos insumos dele consegue distinguir YES de NO ali.
Saída: estimativa numérica sem raciocínio em linguagem natural.
Modelo 3: Microestrutura de Mercado (peso de 20%, 40% sem LLM) Este olha o formato da cotação, não o assunto. Usa três insumos: o spread implícito entre os preços de YES e NO, o volume negociado e as horas até a resolução. Um spread largo empurra a estimativa para longe do preço de mercado; volume alto (acima de $5M) encolhe esse empurrão, na tese de que mercado movimentado é mercado eficiente; volume baixo (abaixo de $50k) o amplia; e nas últimas 24 horas o ajuste inteiro é amortecido, porque sobra pouco tempo para uma reprecificação. Não existe tabela de taxas-base históricas em lugar nenhum deste motor.
Por Que Três Modelos, e Não Um
Cada modelo tem modos de falha conhecidos:
- •LLM: pode alucinar com confiança e dar peso excessivo a notícias recentes
- •Heurístico: rígido, não lida com situações inéditas ou nuances contextuais
- •Âncora: inútil para eventos únicos sem precedente histórico
Ao combiná-los, os erros tendem a se cancelar. A estimativa final é mais robusta do que a de qualquer modelo individual.
Calibração
Uma estimativa de probabilidade de "70% de chance" deve significar que, ao longo de muitas previsões desse tipo, o evento realmente acontece 70% das vezes. Isso é chamado de calibração.
Acompanhamos calibração internamente, ainda que de forma mais grosseira que uma curva de confiabilidade completa:
- •Cada previsão é registrada com horário, estimativa e desfecho
- •Sobre os últimos 30 dias de sinais resolvidos calculamos dois números: a taxa de acerto geral e a taxa de acerto restrita a sinais com edge de 10pp ou mais
- •O segundo é o que importa — ele responde "quando o modelo falou alto, ele acertou?"
Hoje não há agrupamento em faixas de 5% de probabilidade, então ainda não conseguimos te mostrar uma curva de previsto contra realizado ao longo de toda a escala.
Calibração atual (em meados de 2026):
- •Política: bem calibrada, dentro de 3pp na maioria das faixas
- •Esportes: leve viés de otimismo (previsto 70%, real 67%)
- •Cripto: maior variância, menos consistente
- •Econômico: bem calibrado em indicadores no estilo Kalshi
A calibração é publicada periodicamente em nosso blog. É a medida mais honesta da precisão da IA.
No Que a IA É Boa
Tipos de eventos consolidados: eleições, esportes, indicadores econômicos. A IA tem muitos dados de treinamento e padrões claros.
Mercados com informação pública: desfechos movidos por notícias em que os dados relevantes estão disponíveis livremente.
Perguntas quantitativas: "X vai ultrapassar Y até a data Z" com limiares claros.
Raciocínio agregado: combinar múltiplas fontes em uma única estimativa.
No Que a IA Tem Dificuldade
Mercados movidos por informação privilegiada: votações de governança, especulação sobre fusões e aquisições, decisões regulatórias. Pessoas com informação privada têm um edge que a IA não consegue replicar.
Eventos culturais: Oscar, previsões de viralização, moda. A IA não tem bons modelos de gosto.
Notícias de última hora muito recentes: os dados de treinamento têm defasagem. Grandes eventos das últimas 24h podem não estar refletidos.
Desfechos de cauda longa: eventos raros que não têm precedente histórico.
Mercados sensíveis a manipulação: mercados de baixo volume em que um único trader consegue mover o preço.
Para essas categorias, trate as estimativas da IA com ceticismo e confie mais no seu próprio conhecimento de domínio.
Como Funciona a Integração de Notícias
Puxamos continuamente manchetes e fatos-chave de:
- •APIs de notícias gerais (para contexto político e econômico)
- •Serviços de dados esportivos (para mercados específicos de jogos)
- •Feeds específicos de cripto (para mercados de tokens/protocolos)
- •Fontes primárias relevantes para a resolução
Isso é alimentado na janela de contexto da IA ao analisar mercados relacionados. Assim, se houver um grande evento noticioso que afete um mercado, a análise da IA o reflete.
Ressalva: a integração de notícias tem limites. Não conseguimos cobrir todas as fontes de notícias. Não conseguimos ler conteúdo restrito a assinantes. Não conseguimos antecipar matérias que ainda não foram divulgadas.
Como a Confiança da IA É Calculada
A pontuação de confiança (0-100%) é a média ponderada da confiança que cada modelo declara sobre si mesmo — com os mesmos pesos 50/30/20 usados para a probabilidade. Isso tem uma consequência que vale internalizar: não há termo de concordância. Três modelos que se contradizem frontalmente produzem exatamente a mesma confiança de manchete que três que concordam, desde que cada um esteja individualmente seguro. Confiança alta quer dizer "cada modelo estava confiante", não "os modelos convergiram".
O que move a confiança de cada um: no heurístico, o tamanho do edge que ele achou; no de microestrutura, spread largo, volume alto ou proximidade da resolução. Distância dos 50% não é insumo de nenhum deles.
Uma estimativa com 90% de confiança é genuinamente mais confiável do que uma com 50%. Confie na métrica de confiança — ela não é enfeite de marketing.
Erros Comuns que os Usuários Cometem
Confiar cegamente nas estimativas da IA: a IA às vezes erra. Perdas significativas vêm de dimensionar apostas com excesso de confiança em sinais da IA.
Ignorar a confiança: um edge de 10pp com 40% de confiança é pior do que um edge de 5pp com 90% de confiança. Leve ambos em conta.
Operar todos os sinais: a IA exibe centenas de pequenos edges. A maioria não compensa a fricção. Filtre por edge >5pp + confiança >70% como base.
Ancorar no número da IA: se a IA diz 70% e o mercado está em 60%, seu trabalho é avaliar SE a IA está mais certa do que o mercado. Não copie simplesmente a estimativa da IA como se fosse a sua visão.
Aprimorando a IA
Iteramos continuamente:
- •Retreinando o contexto do LLM com novos tipos de eventos
- •Ajustando os parâmetros heurísticos com base no desempenho em backtest
- •Ajustando as proporções de peso com base na calibração observada
- •Adicionando novas fontes de notícias à medida que as encontramos
Mudanças importantes são anunciadas em nosso changelog. Se você notar erros sistemáticos da IA em categorias específicas de mercado, reporte-os pelo feedback dentro do app (ele realmente chega a um humano, e nós o lemos).
Casos de Uso por Plano
Plano Starter: estimativas de IA no scanner, somente leitura — veja sinais e aprenda a plataforma. A cobertura de plataformas não faz parte do plano: a varredura de qualquer plano busca e analisa Polymarket *e* Kalshi, e os chips POLY/KLSH só filtram o que já está ali.
Plano Pro: estimativas da IA na Polymarket e na Kalshi. Além de sinais de arbitrage (a IA compara preços entre plataformas).
Plano Bot: estimativas de IA alimentando estratégias automatizadas. O template EV Follower as usa diretamente.
Limitações Honestas
Não vendemos a IA como mágica. Desempenho real:
- •Edge médio identificado: 2-5pp (menor do que o scanner exibe bruto)
- •Taxa de acerto em sinais da IA: 55-60% (ligeiramente acima do acaso)
- •Após os custos de execução: valor esperado positivo, mas não grande
- •A variância é real: drawdowns acontecem, às vezes de 20-30% antes da recuperação
Isso é coerente com a verdade subjacente: os mercados de previsão são em sua maioria eficientes, e o edge informacional na era da IA é real, porém modesto. Não estamos prometendo retornos mensais de 30%. Estamos fornecendo ferramentas para extrair um edge modesto de forma consistente ao longo dos anos.